动态电路分析方法对比

1,电路如下,直流5伏特,电容和电感初始为0,simulink仿真的结果如下:

2,列出电路的微分方程:LC\frac{d^2u(t)}{dt}+RC \frac{du(t)}{dt}+u(t)=u_s

先求方程的通解,令u(t)=e^{rt},则LCr^2+RCr+1=0

所以r=-\frac{R}{2L}\pm \sqrt{\frac{R^2}{4L^2}-\frac{1}{LC}},代入RLC数值可得r=-250 \pm 661j

所以

u_1(t)=e^{(-250+661j)t}=e^{-250t}(cos661t+jsin661t)

u_2(t)=e^{(-250-661j)t}=e^{-250t}(cos661t-jsin661t),

根据解的叠加原理可以知道

u(t)=e^{-250t}(C_1cos661t+C_2sin661t)

很容易知道方程的特解为u(t)=us=5

所以微分方程的全部解为u(t)=e^{-250t}(C_1cos661t+C_2sin661t)+5

因为初始时刻电容电压为0,即是u(0)=C_1+5=0,所以C_1=-5

同时初始回路电流也为0,所以u^{'}(0)=-250e^{-250t}(C_1cos661t+C_2sin661t)+e^{-250t}(-C_1sin661t+C_2cos661t)

所以-250(C_1cos661t)+(C_2cos661t)=-250C_1+C_2=0

所以C_2=250C_1=-1250

因此电容电压为u(t)=e^{-250t}(-5cos661t-1250sin661t)+5

3,使用matlab绘制电容电压的代码和波形如下

明显两者的波形不一致,如果把C2=-1250改为C2=-5,那么情况如下

这样以来波形明显一致了,各位看官能否说明一下上面解方程求系数的时候错在哪里吗,不甚感激。

4,对微分方程两边同时做拉普拉斯变换可以得到LCu(s)s^2+RCu(s)s+u(s)=\frac{Us}{s}

所以u(s)=\frac{Us}{(LCs^2+RCs+1)s}

代入数值可得u(s)=\frac{5}{(2*10^6s^2+10^3s+1)s}=\frac{5}{(s+250-661j)(s+250+661j)s}

u(s)=5(\frac{500}{s}+2)(\frac{1}{s-s1}+\frac{1}{s-s2})

求拉普拉斯逆变换好像不太好弄了。

 

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值